RDGCN

发表于 更新于 分类于 ， 阅读次数： 本文字数： 827 阅读时长 ≈ 1 分钟

Relation-Aware Entity Alignment for Heterogeneous Knowledge Graphs

IJCAI 2019

RDGCN (Relation-aware Dual-Graph Convolutional Network)，预测任务是KG的实体对齐，主要是为了捕获更多的在dual KG中的relation的信息。核心创新点是对于dual KG（即要对齐的两个KG），构造了Dual Relation Graph，捕获relation和relation之间的联系。之后在这个Dual Relation Graph上学习relation的表示，融入到original KG中进行entity的表示学习，最终用于entity之间的对齐。

Method

image-20210827161832004

Constructing the Dual Relation Graph

有两个KG，\(G_1\)和\(G_2\)，然后这两个图看做是一个大的graph，\(G_e\)。注意，两个KG没有相连。

构造relation graph，relation作为node，如果两个relation具有相同的头/尾实体，那么两个relation node构造一条边。

更进一步，为这个边赋值一个权重，表示两个关系相连的紧密程度。

image-20210827162305649

\(H\)和\(T\)是所有的头/尾实体。

Dual Attention Layer

这一层是用来捕获更复杂的关系信息，从而辅助下面的实体表示的学习。

在dual realtion graph中，一个关系node的表示为：

image-20210827193821221

需要注意，这里没有给关系赋予一个独立的表示，而是直接使用头尾实体的平均表示。

之后，基于gat进行relation之间的聚合。

image-20210827193932914

Primal Attention Layer

利用上面学习到的relation的表示，在original graph中进行实体的表示学习。

image-20210827194018172

随后，使用残差

image-20210827194112479

Incorporating Structural Information

image-20210827194151191

使用highway gnn更新，保留上一步的信息

image-20210827194230407

最后，进行实体对齐

image-20210827194312252